一种高效的简单增量式时间网络数据结构用于时间规划
TLINet 是一个神经符号框架,用于学习 Signal Temporal Logic 公式。该框架不仅学习 STL 公式的结构,还学习参数,具有解释性、紧凑性、表达能力丰富和计算效率高等优势。
May, 2024
本文提出了一种基于 hypernetworks 的通用框架 HyperST-Net,用于深度学习的空间 - 时间数据,包括空间模块、时间模块和推理模块,通过在神经网络中设计不同类型的 HyperST 层,本文将其应用于三种不同的真实世界任务,并取得了显著的改进。
Sep, 2018
本文提出了一种新的 STCN 体系结构,其将时间卷积网络(TCN)的计算优势与具有不同时间尺度的时间依赖性的随机潜在空间的表示能力和鲁棒性相结合,提高了多个任务的对数似然度,并且在手写文本建模中能够预测长时间跨度内的高质量合成样本。
Feb, 2019
本文提出了适用于任意网络架构的可扩展张量网络(STN),通过一种数据驱动的方法动态和自适应地调整模型大小和分解结构,从而达到更高的压缩性能和灵活性,综合实验结果表明其在参数效率方面表现优异。
May, 2022
本文提出了一种新的空间 - 时间变换网络的范例来改善长期交通预测的准确性,其中使用图神经网络和自注意机制来动态建模交通数据中的有向空间相关性,并利用跨多个时间步骤的长程双向时间依赖性。实验证明,该模型在 Real-world 数据集上预测交通流量方面的性能要好于现有工作。
Jan, 2020
本文提出了一种使用现有启发式方法解决 HTN 问题的新型 POCL(偏序因果链接)方法,实验证明该方法表现优秀且能够优于现有方法,从而解决了缺乏正式和一致定义的时间分层规划问题的不便。
Jun, 2023
本文提出一种专门用于精确预测网络范围内移动数据流量的时空神经网络(STN)结构和双 STN 技术(D-STN),通过在城市和农村地区 60 天的真实移动流量数据集上进行的实验,证明了所提出的(D-)STN 方法可以实现高达 10 小时的精确预测,并且与其他流行的预测方法相比,可以获得高达 61% 的更小预测误差。
Dec, 2017
本文提出的基于弧一致性的方法,不仅足以解决 Simple Temporal Problem 以及 Multiagent Simple Temporal Problem,而且不侵犯代理人的隐私,具有比现有方法更高的效率。
Nov, 2017
通过引入一种新型深度时空特征表示方法(动态时空特征)和捕捉交叉点之间动态时空关系的动态时空图变换网络(DST-GTN),该研究在交通预测任务上取得了最先进的性能并展现出增强的稳定性。
Apr, 2024